如何用Keras实现DenseNet结构的操作细节？

本文共计1617个文字，预计阅读时间需要7分钟。

DenseNet结构由Huang、Gao和Liu等人于2016年提出，并在CVRP2017中被评为最佳论文。网络核心结构是密集块，每个密集块包含多层密集层。如示意图所示，H1至H4层层叠，每个层都连接到其前后的层。

DenseNet结构在16年由Huang Gao和Liu Zhuang等人提出，并且在CVRP2017中被评为最佳论文。网络的核心结构为如下所示的Dense块，在每一个Dense块中，存在多个Dense层，即下图所示的H1～H4。各Dense层之间彼此均相互连接，即H1的输入为x0，输出为x1，H2的输入即为[x0, x1]，输出为x2，依次类推。最终Dense块的输出即为[x0, x1, x2, x3, x4]。这种结构个人感觉非常类似生物学里边的神经元连接方式，应该能够比较有效的提高了网络中特征信息的利用效率。

DenseNet的其他结构就非常类似一般的卷积神经网络结构了，可以参考论文中提供的网路结构图（下图）。但是个人感觉，DenseNet的这种结构应该是存在进一步的优化方法的，比如可能不一定需要在Dense块中对每一个Dense层均直接进行相互连接，来缩小网络的结构；也可能可以在不相邻的Dense块之间通过简单的下采样操作进行连接，进一步提升网络对不同尺度的特征的利用效率。

由于DenseNet的密集连接方式，在构建一个相同容量的网络时其所需的参数数量远小于其之前提出的如resnet等结构。进一步，个人感觉应该可以把Dense块看做对一个有较多参数的卷积层的高效替代。因此，其也可以结合U-Net等网络结构，来进一步优化网络性能，比如单纯的把U-net中的所有卷积层全部换成DenseNet的结构，就可以显著压缩网络大小。

下面基于Keras实现DenseNet-BC结构。